简介这是一份面向农业遥感与精准农业研究者的方法类文档核心内容是运用无人机多光谱影像结合多时相NDVI与端元丰度综合分析油菜长势并构建产量估测模型。文档以完整研究案例为线索详细阐述了48块实验小区设计、叶期/花期/角果期无人机影像获取、ASD光谱仪端元光谱采集、几何纠正与辐射定标、全约束混合光谱线性解混等步骤并重点分析了不同时期丰度数据与产量构成要素的相关性进而提出融合生育期特征的多元线性回归估产模型。与单纯依赖NDVI的统计模式相比该方法从亚像元和器官发育层面修正了估产逻辑有助于提升跨区域与跨年应用效果。资源为1个docx文档约327KB结构完整数据采集、模型构建和结果分析脉络清晰可供撰写论文或设计同类无人机遥感监测实验参考。已有227人学习下载对农业遥感方向的师生及技术人员有一定实用性。1. 油菜无人机遥感估产为什么不能只信NDVI无人机遥感做油菜长势监测最省事的做法是算NDVI但NDVI有个天然缺陷它只告诉你“这片地够不够绿”说不清“绿的是哪个器官”。油菜的产量大约90%~95%来自光合产物而叶期、花期、角果期分别对应角粒数、角果数、千粒重的形成窗口叶片、花、角果在不同时期对产量的贡献权重完全不一样。这项研究用Mini-MCA六波段相机分别在40m和50m航高采集了油菜叶期、花期、角果期三组影像配合ASD光谱仪采集端元光谱做全约束线性解混先把混合像元拆成各端元的丰度再把丰度与NDVI相乘作为自变量建模。结果里有一个反直觉的数字直播油菜在花期叶丰度与产量的相关系数是-0.475而移栽油菜是0.885。这个翻转说明单纯堆植被指数解决不了种植方式差异带来的结构性问题多时相丰度信息才是修正估产模型的关键。本文把这套流程从端元采集、解混实现、相关性分析到模型对比完整拆开适合做作物遥感估产、农业无人机应用和光谱解混方向的人。2. 混合像元解混端元光谱采集与全约束线性模型落地2.1 混合像元为什么绕不开油菜冠层不是一层平板结构。叶期田里有长柄叶、短柄叶还有干土、半干土、湿土花期长出花序叶片开始变黄角果期角果层形成后把叶片遮得严严实实。Mini-MCA的6个波段分别是485~495nm、545~555nm、665~675nm、715~725nm、780~820nm、890~910nm空间分辨率有限单个像元内往往是几种地物的反射叠加。如果直接把像元反射率代入NDVI得到的是混合信号无法区分叶片贡献和土壤贡献。线性光谱解混模型把像元光谱看成端元光谱的加权和P Ec n其中P是像元的波谱向量E是端元反射率矩阵c是端元丰度系数n是误差项。解混要满足两个约束非负性约束ci ≥ 0和归一化约束Σci 1。换句话说每个像元里端元占比不能为负且所有端元占比加起来必须等于1。2.2 物理端元提取ASD光谱仪采集与重采样端元光谱的质量直接决定解混结果的可靠性。这项研究用的是物理端元提取法也就是野外实测。ASD光谱仪探测范围350~2500nm比MCA六波段宽得多所以采集后要按MCA的波段范围做均值重采样。采集时有两个关键操作探头垂直向下距地物约0.2m每个采样点记录5条光谱选分布均匀的3~5个点取平均值直接把ASD原始光谱塞进解混模型是不行的。MCA每个波段是一个范围比如780~820nm必须把ASD光谱在这个范围内做均值得到对应6个波段的反射率向量才能与影像波段对齐。几何纠正时以第5波段780~820nm作为基准波段做配准这个波段对植被反射率变化最敏感配准误差对后续解混的影响最小。2.3 全约束线性解混的Python实现端元矩阵准备好之后解混本质上是一个带约束的最小二乘问题。严格的全约束需要同时满足非负和和为1可以在目标函数里加等式约束也可以用两步近似先用非负最小二乘NNLS解出丰度再归一化。import numpy as np from scipy.optimize import nnls def fully_constrained_unmix(pixel, endmembers): 全约束线性光谱解混 pixel: array, shape (bands,), 单像元反射率 endmembers: array, shape (bands, n_endmembers), 端元光谱矩阵 返回: abundance, shape (n_endmembers,) # 第一步非负最小二乘满足 ci 0 abundance, residual nnls(endmembers, pixel) # 第二步归一化满足 sum(ci) 1 total np.sum(abundance) if total 0: abundance abundance / total return abundance # 六个波段的端元光谱示例每行一个端元 endmembers np.array([ [0.12, 0.15, 0.10, 0.08, 0.35, 0.38], # 无柄叶 [0.10, 0.13, 0.09, 0.07, 0.30, 0.33], # 短柄叶 [0.20, 0.18, 0.15, 0.14, 0.22, 0.20], # 上层花 [0.08, 0.09, 0.10, 0.11, 0.12, 0.12], # 干土 [0.07, 0.08, 0.09, 0.09, 0.10, 0.10], # 半干土 [0.05, 0.06, 0.06, 0.06, 0.07, 0.07], # 湿土 ]).T # 转置为 (bands, n_endmembers) # 读取一个像元的反射率 pixel np.array([0.11, 0.13, 0.10, 0.09, 0.28, 0.30]) abundance fully_constrained_unmix(pixel, endmembers) print(丰度: , abundance)NNLS只处理非负约束归一化步骤相当于把误差分散到所有端元上。严格意义上这一步是近似因为先最小化残差再归一化不一定是带归一化约束下的最优解。项目规模不大时这种近似足够稳定如果要求更严格可以用scipy.optimize.minimize配合SLSQP方法加入Σci1的等式约束但迭代速度会慢不少。对整幅影像逐像元解混时建议用numpy向量化批量处理避免Python循环成为瓶颈。2.4 六波段上限与端元选择约束线性解混有个硬性限制端元数量不能超过波段数。MCA只有6个波段所以每个时期最多选6种端元。花期选的6种是上层花、无柄叶、短柄叶、干土、半干土、湿土。从光谱曲线看花与叶片在绿波段的反射率有明显差异土壤和油菜植株在近红外波段的差异更大这些光谱可分性是端元能解出来的前提。选端元时要注意多个端元之间光谱高度相似会让解混矩阵病态丰度解不稳定。比如花期把长柄叶、短柄叶、无柄叶全放进去三者在绿波段反射率差异不大容易出现丰度在端元之间来回跳的现象。实际处理中把长柄叶和短柄叶合并成“叶丰度”计算或者只保留与产量相关性最强的端元组合解混结果会更干净。3. 叶期、花期、角果期丰度与产量相关性的三张表3.1 叶期叶丰度是移栽油菜的产量风向标叶期实验田里主要是叶片和土壤选取长柄叶、短柄叶、干土、半干土、湿土5种端元。解混后把长柄叶与短柄叶丰度相加得到叶丰度。移栽油菜叶丰度与产量的皮尔逊相关系数是0.889直播油菜是0.818都属于极强相关0.8~1.0。叶片是油菜营养生长的核心器官长柄叶主要供应根系养分短柄叶养分供应兼顾上下两者在净光合速率上有差异。叶期同化作用积累的干物质是后续花芽分化和角果建成的物质基础所以叶丰度高意味着光合面积大为产量形成打下的底子好。3.2 花期直播油菜的负相关陷阱花期地物组成明显变复杂花序遮挡茎秆叶片开始变黄干物质向花转移。这时选取上层花、无柄叶、短柄叶、干土、半干土、湿土6种端元。花期丰度与产量的相关系数差异很大端元丰度移栽直播叶丰度0.885-0.475花丰度0.4730.837移栽油菜叶丰度依然保持极强相关而直播油菜的叶丰度变成了负相关。原因在于直播油菜单株产能不高但最终亩产靠密度取胜。直播田里叶丰度高意味着营养生长过旺群体内通风透光差反而压制了生殖生长。这个现象说明丰度与产量的关系不能脱离种植方式单独解释。from scipy.stats import pearsonr # 以花期为例计算不同端元丰度与产量的相关系数 leaf_abundance [0.62, 0.58, 0.66, 0.54, 0.60, 0.48] # 叶丰度 flower_abundance [0.18, 0.22, 0.15, 0.26, 0.20, 0.30] # 花丰度 yield_data [310.5, 295.2, 325.8, 280.4, 305.1, 268.9] r_leaf, p_leaf pearsonr(leaf_abundance, yield_data) r_flower, p_flower pearsonr(flower_abundance, yield_data) print(f叶丰度相关系数: {r_leaf:.3f}, p值: {p_leaf:.4f}) print(f花丰度相关系数: {r_flower:.3f}, p值: {p_flower:.4f})pearsonr返回两个值第一个是相关系数第二个是p值。p值用来判断相关性是否统计显著样本量只有24个时p值低于0.05才比较可靠。相关系数绝对值0.8以上是极强相关0.6~0.8强相关0.4~0.6中等程度相关。3.3 角果期角果皮光合与千粒重角果期是千粒重的定型阶段。终花后角果和叶片一起进行光合作用角果层形成后叶片严重受光不足短柄叶和无柄叶表面积减少角果皮产生的同化物直接转移给籽粒。这个时期选取无柄叶、短柄叶、上层角果、下层角果、干土、湿土6种端元。移栽油菜叶丰度与产量相关性仍高达0.880角果丰度只有0.256直播油菜叶丰度0.531角果丰度0.766。直播油菜角果丰度与产量的相关性明显强于移栽这与直播油菜密度大、后期冠层郁闭、角果层成为主要光合器官的生理特征一致。三个时期的相关系数汇总生长期端元移栽直播叶期叶丰度0.8890.818花期叶丰度0.885-0.475花期花丰度0.4730.837角果期叶丰度0.8800.531角果期角果丰度0.2560.766移栽油菜的叶丰度在三个时期与产量的相关系数全部高于0.88非常稳定。直播油菜则没有一个端元能在三个时期保持强相关。这个差异直接决定了后面多时相模型的自变量选择策略移栽油菜无脑选三个时期的叶丰度直播油菜要试组合。4. NDVI×丰度多时相建模留一交叉验证下的三种方案对比4.1 三种自变量方案的设计逻辑多时相估产模型采用多元线性回归形式是y β0 β1x1 β2x2 β3x3。自变量选取是整个建模的核心。研究设计了三个方案方案自变量定义端元组合方案1三个时期的NDVI无方案2三个时期的端元丰度移栽A叶期叶丰度、花期叶丰度、角果期叶丰度直播A同移栽A直播D叶期叶丰度、花期花丰度、角果期角果丰度方案3三个时期的NDVI×对应端元丰度与方案2相同的组合方案3的设计灵感来自干物质积累路径NDVI反映冠层整体绿色程度丰度反映具体器官的覆盖比例二者相乘等于把“绿色程度”按“器官构成”加权从亚像元层次修正NDVI。4.2 方案1与方案2NDVI基线能力与丰度模型的差距种植方式方案自变量组合R²RMSE移栽方案1三时期NDVI0.847284.982移栽方案2A三时期叶丰度0.890241.153移栽方案2B叶叶角果0.811295.873移栽方案2C叶花叶0.797306.500直播方案1三时期NDVI0.849264.521直播方案2A三时期叶丰度0.794308.677直播方案2D叶花角果0.749340.746移栽油菜方案2的A组合0.890超过了方案10.847说明对冠层结构简单的移栽油菜来说器官丰度信息比NDVI更能解释产量。直播油菜两种丰度组合都不如NDVI但A组合相对D组合更好这与直播油菜角果期叶丰度相关性较弱但仍有0.531有关。只靠丰度建立模型存在精度上限原因是解混得到的丰度误差会在回归里被放大。4.3 留一交叉验证的代码实现样本只有24个时常规的train/test分割会浪费太多数据。留一交叉验证每次留1个样本做验证剩下23个训练重复24次把所有验证结果平均得到对泛化误差的无偏估计。import numpy as np from sklearn.model_selection import LeaveOneOut from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # X的每一列是一个时期特征这里以方案3 A组合为例 # 三列分别是 叶期NDVI×叶丰度, 花期NDVI×叶丰度, 角果期NDVI×叶丰度 X np.array([ [0.42, 0.55, 0.48], [0.38, 0.52, 0.45], [0.45, 0.58, 0.50], # ... 24个样本 ]) y np.array([310.5, 295.2, 325.8, 280.4, 305.1, 268.9, # ... 24个产量实测值 ]) loo LeaveOneOut() y_pred np.zeros(len(y)) for train_idx, test_idx in loo.split(X): X_train, X_test X[train_idx], X[test_idx] y_train, y_test y[train_idx], y[test_idx] model LinearRegression() model.fit(X_train, y_train) y_pred[test_idx] model.predict(X_test) rmse np.sqrt(mean_squared_error(y, y_pred)) print(f留一交叉验证 RMSE: {rmse:.3f})LeaveOneOut保证每个样本都被当作验证集恰好一次。模型系数是在23个样本上训练得到的与最终用全部24个样本训练出的回归公式略有差异但RMSE更接近真实泛化表现。注意方案3里的x是NDVI与丰度的乘积量纲与方案1、方案2不同不能直接比较回归系数大小只能比较R²和RMSE。4.4 方案3乘积自变量把精度推高到0.909种植方式自变量组合R²RMSE移栽A叶丰度×NDVI三时期0.909219.278移栽B叶叶角果×NDVI0.862252.676移栽C叶花叶×NDVI0.847266.452直播A叶丰度×NDVI三时期0.822286.948直播D叶花角果×NDVI0.810296.859移栽油菜A组合的R²从方案1的0.847提升到0.909RMSE从284.982降到219.278。直播油菜的D组合从方案2的0.749提升到0.810逼近方案1但略高于方案1。两种种植方式下最优组合都是A这个一致性很重要说明以叶丰度为核心的干物质积累路径具有跨种植方式的普适性丰度对NDVI的修正效果是稳定可靠的。方案3 A组合的回归公式种植方式估产模型移栽y 1236.118x1 2961.941x2 2918.376x3 291.675直播y 2137.388x1 - 5134.258x2 2046.832x3 1754.69直播油菜方程里x2花期叶丰度×NDVI的系数是-5134.258负号对应了花期直播油菜叶丰度与产量的负相关-0.475。这个系数不是偶然它说明直播油菜在三叶期后如果叶片过于繁茂反而会因为冠层郁闭而减产。建模时看到负系数不要急着删变量先回去看单时期的相关分析往往能对应上农学解释。5. 提前一个生育期估产两时期模型的稳定性验证5.1 只用叶期和花期数据的效果实际生产中产量预测需要在收获前给出结论角果期数据拿到时已经接近采收指导意义有限。所以只用叶期和花期两组数据重新建模三种方案对比如下种植方式评价指标方案1方案2方案3移栽R²0.8380.8140.867移栽RMSE293.379313.762265.565直播R²0.8460.7910.853直播RMSE267.299311.359260.744方案3NDVI×丰度乘积在两种种植方式下R²均高于方案1移栽0.867对0.838直播0.853对0.846。与三时期全数据模型相比精度略有下降但对提前估产场景足够了。方案2在这里表现最弱说明缺少角果期丰度信息的情况下纯丰度模型的器官覆盖信息不完整。提前估产模型公式A组合种植方式估产模型移栽y 2499.708x1 2457.636x2 198.883直播y 2692.617x1 - 4567.276x2 1494.4615.2 把模型落成可复用的预测脚本实际项目中我一般把训练好的模型系数存成JSON预测时单独写一个脚本加载系数避免每次重新训练。import json import numpy as np # 模型系数移栽油菜提前估产方案3 A组合 model_coef { intercept: 198.883, beta1: 2499.708, # 叶期 NDVI x 叶丰度 beta2: 2457.636 # 花期 NDVI x 叶丰度 } def predict_yield(ndvi_leaf, abun_leaf, ndvi_flower, abun_flower): 输入叶期、花期的NDVI和叶丰度输出产量预测kg/亩 x1 ndvi_leaf * abun_leaf x2 ndvi_flower * abun_flower y (model_coef[intercept] model_coef[beta1] * x1 model_coef[beta2] * x2) return y # 示例某移栽油菜田块 yield_pred predict_yield( ndvi_leaf0.72, abun_leaf0.65, ndvi_flower0.68, abun_flower0.58 ) print(f预测产量: {yield_pred:.1f} kg/亩)注意x1和x2的输入必须与训练时的特征定义一致NDVI范围是-1到1丰度范围是0到1如果预处理时对特征做过归一化预测时也要做同样的变换。无人机影像处理中用python遥感影像处理库读出的反射率直接算NDVI再与解混脚本输出的丰度矩阵逐像元相乘得到整幅影像的产量空间分布图。5.3 实操中容易踩的三个坑第一个坑是端元数量与波段数量的对比。Mini-MCA只有6个波段花期选了6种端元解混方程刚好可解但条件数偏大。如果某个端元光谱与另一个高度相关丰度解会不稳定表现为同一地块相邻像元丰度跳变剧烈。缓解办法是减少端元数量或对端元光谱做主成分分析去相关。第二个坑是NDVI与丰度相乘前的量纲一致性。NDVI的取值范围是-1到1丰度是0到1乘积天然被压缩回归系数会变大。这不是问题但解释系数时要特别注意不要拿方案1的系数和方案3直接对比绝对值。第三个坑是留一交叉验证在小样本下的方差。24个样本做留一每次训练集只有23个模型的稳定性受单个异常样本的影响比大样本明显。处理方式是记录24次验证中每次的残差如果有某一个样本的残差远大于其他样本回查该小区对应的无人机影像和产量记录确认是否存在数据采集异常。线性混合模型对油菜这种立体结构作物只是近似描述冠层阴影、植株重叠、双向反射分布函数效应都会引入解混误差。后续改进方向是在特征提取阶段引入非线性解混或辐射传输模型让端元丰度的物理意义更接近真实的器官面积比例。本文还有配套的精品资源点击获取 油菜无人机遥感估产：NDVI之外，光谱解混与丰度建模如何提升精度
简介这是一份面向农业遥感与精准农业研究者的方法类文档核心内容是运用无人机多光谱影像结合多时相NDVI与端元丰度综合分析油菜长势并构建产量估测模型。文档以完整研究案例为线索详细阐述了48块实验小区设计、叶期/花期/角果期无人机影像获取、ASD光谱仪端元光谱采集、几何纠正与辐射定标、全约束混合光谱线性解混等步骤并重点分析了不同时期丰度数据与产量构成要素的相关性进而提出融合生育期特征的多元线性回归估产模型。与单纯依赖NDVI的统计模式相比该方法从亚像元和器官发育层面修正了估产逻辑有助于提升跨区域与跨年应用效果。资源为1个docx文档约327KB结构完整数据采集、模型构建和结果分析脉络清晰可供撰写论文或设计同类无人机遥感监测实验参考。已有227人学习下载对农业遥感方向的师生及技术人员有一定实用性。1. 油菜无人机遥感估产为什么不能只信NDVI无人机遥感做油菜长势监测最省事的做法是算NDVI但NDVI有个天然缺陷它只告诉你“这片地够不够绿”说不清“绿的是哪个器官”。油菜的产量大约90%~95%来自光合产物而叶期、花期、角果期分别对应角粒数、角果数、千粒重的形成窗口叶片、花、角果在不同时期对产量的贡献权重完全不一样。这项研究用Mini-MCA六波段相机分别在40m和50m航高采集了油菜叶期、花期、角果期三组影像配合ASD光谱仪采集端元光谱做全约束线性解混先把混合像元拆成各端元的丰度再把丰度与NDVI相乘作为自变量建模。结果里有一个反直觉的数字直播油菜在花期叶丰度与产量的相关系数是-0.475而移栽油菜是0.885。这个翻转说明单纯堆植被指数解决不了种植方式差异带来的结构性问题多时相丰度信息才是修正估产模型的关键。本文把这套流程从端元采集、解混实现、相关性分析到模型对比完整拆开适合做作物遥感估产、农业无人机应用和光谱解混方向的人。2. 混合像元解混端元光谱采集与全约束线性模型落地2.1 混合像元为什么绕不开油菜冠层不是一层平板结构。叶期田里有长柄叶、短柄叶还有干土、半干土、湿土花期长出花序叶片开始变黄角果期角果层形成后把叶片遮得严严实实。Mini-MCA的6个波段分别是485~495nm、545~555nm、665~675nm、715~725nm、780~820nm、890~910nm空间分辨率有限单个像元内往往是几种地物的反射叠加。如果直接把像元反射率代入NDVI得到的是混合信号无法区分叶片贡献和土壤贡献。线性光谱解混模型把像元光谱看成端元光谱的加权和P Ec n其中P是像元的波谱向量E是端元反射率矩阵c是端元丰度系数n是误差项。解混要满足两个约束非负性约束ci ≥ 0和归一化约束Σci 1。换句话说每个像元里端元占比不能为负且所有端元占比加起来必须等于1。2.2 物理端元提取ASD光谱仪采集与重采样端元光谱的质量直接决定解混结果的可靠性。这项研究用的是物理端元提取法也就是野外实测。ASD光谱仪探测范围350~2500nm比MCA六波段宽得多所以采集后要按MCA的波段范围做均值重采样。采集时有两个关键操作探头垂直向下距地物约0.2m每个采样点记录5条光谱选分布均匀的3~5个点取平均值直接把ASD原始光谱塞进解混模型是不行的。MCA每个波段是一个范围比如780~820nm必须把ASD光谱在这个范围内做均值得到对应6个波段的反射率向量才能与影像波段对齐。几何纠正时以第5波段780~820nm作为基准波段做配准这个波段对植被反射率变化最敏感配准误差对后续解混的影响最小。2.3 全约束线性解混的Python实现端元矩阵准备好之后解混本质上是一个带约束的最小二乘问题。严格的全约束需要同时满足非负和和为1可以在目标函数里加等式约束也可以用两步近似先用非负最小二乘NNLS解出丰度再归一化。import numpy as np from scipy.optimize import nnls def fully_constrained_unmix(pixel, endmembers): 全约束线性光谱解混 pixel: array, shape (bands,), 单像元反射率 endmembers: array, shape (bands, n_endmembers), 端元光谱矩阵 返回: abundance, shape (n_endmembers,) # 第一步非负最小二乘满足 ci 0 abundance, residual nnls(endmembers, pixel) # 第二步归一化满足 sum(ci) 1 total np.sum(abundance) if total 0: abundance abundance / total return abundance # 六个波段的端元光谱示例每行一个端元 endmembers np.array([ [0.12, 0.15, 0.10, 0.08, 0.35, 0.38], # 无柄叶 [0.10, 0.13, 0.09, 0.07, 0.30, 0.33], # 短柄叶 [0.20, 0.18, 0.15, 0.14, 0.22, 0.20], # 上层花 [0.08, 0.09, 0.10, 0.11, 0.12, 0.12], # 干土 [0.07, 0.08, 0.09, 0.09, 0.10, 0.10], # 半干土 [0.05, 0.06, 0.06, 0.06, 0.07, 0.07], # 湿土 ]).T # 转置为 (bands, n_endmembers) # 读取一个像元的反射率 pixel np.array([0.11, 0.13, 0.10, 0.09, 0.28, 0.30]) abundance fully_constrained_unmix(pixel, endmembers) print(丰度: , abundance)NNLS只处理非负约束归一化步骤相当于把误差分散到所有端元上。严格意义上这一步是近似因为先最小化残差再归一化不一定是带归一化约束下的最优解。项目规模不大时这种近似足够稳定如果要求更严格可以用scipy.optimize.minimize配合SLSQP方法加入Σci1的等式约束但迭代速度会慢不少。对整幅影像逐像元解混时建议用numpy向量化批量处理避免Python循环成为瓶颈。2.4 六波段上限与端元选择约束线性解混有个硬性限制端元数量不能超过波段数。MCA只有6个波段所以每个时期最多选6种端元。花期选的6种是上层花、无柄叶、短柄叶、干土、半干土、湿土。从光谱曲线看花与叶片在绿波段的反射率有明显差异土壤和油菜植株在近红外波段的差异更大这些光谱可分性是端元能解出来的前提。选端元时要注意多个端元之间光谱高度相似会让解混矩阵病态丰度解不稳定。比如花期把长柄叶、短柄叶、无柄叶全放进去三者在绿波段反射率差异不大容易出现丰度在端元之间来回跳的现象。实际处理中把长柄叶和短柄叶合并成“叶丰度”计算或者只保留与产量相关性最强的端元组合解混结果会更干净。3. 叶期、花期、角果期丰度与产量相关性的三张表3.1 叶期叶丰度是移栽油菜的产量风向标叶期实验田里主要是叶片和土壤选取长柄叶、短柄叶、干土、半干土、湿土5种端元。解混后把长柄叶与短柄叶丰度相加得到叶丰度。移栽油菜叶丰度与产量的皮尔逊相关系数是0.889直播油菜是0.818都属于极强相关0.8~1.0。叶片是油菜营养生长的核心器官长柄叶主要供应根系养分短柄叶养分供应兼顾上下两者在净光合速率上有差异。叶期同化作用积累的干物质是后续花芽分化和角果建成的物质基础所以叶丰度高意味着光合面积大为产量形成打下的底子好。3.2 花期直播油菜的负相关陷阱花期地物组成明显变复杂花序遮挡茎秆叶片开始变黄干物质向花转移。这时选取上层花、无柄叶、短柄叶、干土、半干土、湿土6种端元。花期丰度与产量的相关系数差异很大端元丰度移栽直播叶丰度0.885-0.475花丰度0.4730.837移栽油菜叶丰度依然保持极强相关而直播油菜的叶丰度变成了负相关。原因在于直播油菜单株产能不高但最终亩产靠密度取胜。直播田里叶丰度高意味着营养生长过旺群体内通风透光差反而压制了生殖生长。这个现象说明丰度与产量的关系不能脱离种植方式单独解释。from scipy.stats import pearsonr # 以花期为例计算不同端元丰度与产量的相关系数 leaf_abundance [0.62, 0.58, 0.66, 0.54, 0.60, 0.48] # 叶丰度 flower_abundance [0.18, 0.22, 0.15, 0.26, 0.20, 0.30] # 花丰度 yield_data [310.5, 295.2, 325.8, 280.4, 305.1, 268.9] r_leaf, p_leaf pearsonr(leaf_abundance, yield_data) r_flower, p_flower pearsonr(flower_abundance, yield_data) print(f叶丰度相关系数: {r_leaf:.3f}, p值: {p_leaf:.4f}) print(f花丰度相关系数: {r_flower:.3f}, p值: {p_flower:.4f})pearsonr返回两个值第一个是相关系数第二个是p值。p值用来判断相关性是否统计显著样本量只有24个时p值低于0.05才比较可靠。相关系数绝对值0.8以上是极强相关0.6~0.8强相关0.4~0.6中等程度相关。3.3 角果期角果皮光合与千粒重角果期是千粒重的定型阶段。终花后角果和叶片一起进行光合作用角果层形成后叶片严重受光不足短柄叶和无柄叶表面积减少角果皮产生的同化物直接转移给籽粒。这个时期选取无柄叶、短柄叶、上层角果、下层角果、干土、湿土6种端元。移栽油菜叶丰度与产量相关性仍高达0.880角果丰度只有0.256直播油菜叶丰度0.531角果丰度0.766。直播油菜角果丰度与产量的相关性明显强于移栽这与直播油菜密度大、后期冠层郁闭、角果层成为主要光合器官的生理特征一致。三个时期的相关系数汇总生长期端元移栽直播叶期叶丰度0.8890.818花期叶丰度0.885-0.475花期花丰度0.4730.837角果期叶丰度0.8800.531角果期角果丰度0.2560.766移栽油菜的叶丰度在三个时期与产量的相关系数全部高于0.88非常稳定。直播油菜则没有一个端元能在三个时期保持强相关。这个差异直接决定了后面多时相模型的自变量选择策略移栽油菜无脑选三个时期的叶丰度直播油菜要试组合。4. NDVI×丰度多时相建模留一交叉验证下的三种方案对比4.1 三种自变量方案的设计逻辑多时相估产模型采用多元线性回归形式是y β0 β1x1 β2x2 β3x3。自变量选取是整个建模的核心。研究设计了三个方案方案自变量定义端元组合方案1三个时期的NDVI无方案2三个时期的端元丰度移栽A叶期叶丰度、花期叶丰度、角果期叶丰度直播A同移栽A直播D叶期叶丰度、花期花丰度、角果期角果丰度方案3三个时期的NDVI×对应端元丰度与方案2相同的组合方案3的设计灵感来自干物质积累路径NDVI反映冠层整体绿色程度丰度反映具体器官的覆盖比例二者相乘等于把“绿色程度”按“器官构成”加权从亚像元层次修正NDVI。4.2 方案1与方案2NDVI基线能力与丰度模型的差距种植方式方案自变量组合R²RMSE移栽方案1三时期NDVI0.847284.982移栽方案2A三时期叶丰度0.890241.153移栽方案2B叶叶角果0.811295.873移栽方案2C叶花叶0.797306.500直播方案1三时期NDVI0.849264.521直播方案2A三时期叶丰度0.794308.677直播方案2D叶花角果0.749340.746移栽油菜方案2的A组合0.890超过了方案10.847说明对冠层结构简单的移栽油菜来说器官丰度信息比NDVI更能解释产量。直播油菜两种丰度组合都不如NDVI但A组合相对D组合更好这与直播油菜角果期叶丰度相关性较弱但仍有0.531有关。只靠丰度建立模型存在精度上限原因是解混得到的丰度误差会在回归里被放大。4.3 留一交叉验证的代码实现样本只有24个时常规的train/test分割会浪费太多数据。留一交叉验证每次留1个样本做验证剩下23个训练重复24次把所有验证结果平均得到对泛化误差的无偏估计。import numpy as np from sklearn.model_selection import LeaveOneOut from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # X的每一列是一个时期特征这里以方案3 A组合为例 # 三列分别是 叶期NDVI×叶丰度, 花期NDVI×叶丰度, 角果期NDVI×叶丰度 X np.array([ [0.42, 0.55, 0.48], [0.38, 0.52, 0.45], [0.45, 0.58, 0.50], # ... 24个样本 ]) y np.array([310.5, 295.2, 325.8, 280.4, 305.1, 268.9, # ... 24个产量实测值 ]) loo LeaveOneOut() y_pred np.zeros(len(y)) for train_idx, test_idx in loo.split(X): X_train, X_test X[train_idx], X[test_idx] y_train, y_test y[train_idx], y[test_idx] model LinearRegression() model.fit(X_train, y_train) y_pred[test_idx] model.predict(X_test) rmse np.sqrt(mean_squared_error(y, y_pred)) print(f留一交叉验证 RMSE: {rmse:.3f})LeaveOneOut保证每个样本都被当作验证集恰好一次。模型系数是在23个样本上训练得到的与最终用全部24个样本训练出的回归公式略有差异但RMSE更接近真实泛化表现。注意方案3里的x是NDVI与丰度的乘积量纲与方案1、方案2不同不能直接比较回归系数大小只能比较R²和RMSE。4.4 方案3乘积自变量把精度推高到0.909种植方式自变量组合R²RMSE移栽A叶丰度×NDVI三时期0.909219.278移栽B叶叶角果×NDVI0.862252.676移栽C叶花叶×NDVI0.847266.452直播A叶丰度×NDVI三时期0.822286.948直播D叶花角果×NDVI0.810296.859移栽油菜A组合的R²从方案1的0.847提升到0.909RMSE从284.982降到219.278。直播油菜的D组合从方案2的0.749提升到0.810逼近方案1但略高于方案1。两种种植方式下最优组合都是A这个一致性很重要说明以叶丰度为核心的干物质积累路径具有跨种植方式的普适性丰度对NDVI的修正效果是稳定可靠的。方案3 A组合的回归公式种植方式估产模型移栽y 1236.118x1 2961.941x2 2918.376x3 291.675直播y 2137.388x1 - 5134.258x2 2046.832x3 1754.69直播油菜方程里x2花期叶丰度×NDVI的系数是-5134.258负号对应了花期直播油菜叶丰度与产量的负相关-0.475。这个系数不是偶然它说明直播油菜在三叶期后如果叶片过于繁茂反而会因为冠层郁闭而减产。建模时看到负系数不要急着删变量先回去看单时期的相关分析往往能对应上农学解释。5. 提前一个生育期估产两时期模型的稳定性验证5.1 只用叶期和花期数据的效果实际生产中产量预测需要在收获前给出结论角果期数据拿到时已经接近采收指导意义有限。所以只用叶期和花期两组数据重新建模三种方案对比如下种植方式评价指标方案1方案2方案3移栽R²0.8380.8140.867移栽RMSE293.379313.762265.565直播R²0.8460.7910.853直播RMSE267.299311.359260.744方案3NDVI×丰度乘积在两种种植方式下R²均高于方案1移栽0.867对0.838直播0.853对0.846。与三时期全数据模型相比精度略有下降但对提前估产场景足够了。方案2在这里表现最弱说明缺少角果期丰度信息的情况下纯丰度模型的器官覆盖信息不完整。提前估产模型公式A组合种植方式估产模型移栽y 2499.708x1 2457.636x2 198.883直播y 2692.617x1 - 4567.276x2 1494.4615.2 把模型落成可复用的预测脚本实际项目中我一般把训练好的模型系数存成JSON预测时单独写一个脚本加载系数避免每次重新训练。import json import numpy as np # 模型系数移栽油菜提前估产方案3 A组合 model_coef { intercept: 198.883, beta1: 2499.708, # 叶期 NDVI x 叶丰度 beta2: 2457.636 # 花期 NDVI x 叶丰度 } def predict_yield(ndvi_leaf, abun_leaf, ndvi_flower, abun_flower): 输入叶期、花期的NDVI和叶丰度输出产量预测kg/亩 x1 ndvi_leaf * abun_leaf x2 ndvi_flower * abun_flower y (model_coef[intercept] model_coef[beta1] * x1 model_coef[beta2] * x2) return y # 示例某移栽油菜田块 yield_pred predict_yield( ndvi_leaf0.72, abun_leaf0.65, ndvi_flower0.68, abun_flower0.58 ) print(f预测产量: {yield_pred:.1f} kg/亩)注意x1和x2的输入必须与训练时的特征定义一致NDVI范围是-1到1丰度范围是0到1如果预处理时对特征做过归一化预测时也要做同样的变换。无人机影像处理中用python遥感影像处理库读出的反射率直接算NDVI再与解混脚本输出的丰度矩阵逐像元相乘得到整幅影像的产量空间分布图。5.3 实操中容易踩的三个坑第一个坑是端元数量与波段数量的对比。Mini-MCA只有6个波段花期选了6种端元解混方程刚好可解但条件数偏大。如果某个端元光谱与另一个高度相关丰度解会不稳定表现为同一地块相邻像元丰度跳变剧烈。缓解办法是减少端元数量或对端元光谱做主成分分析去相关。第二个坑是NDVI与丰度相乘前的量纲一致性。NDVI的取值范围是-1到1丰度是0到1乘积天然被压缩回归系数会变大。这不是问题但解释系数时要特别注意不要拿方案1的系数和方案3直接对比绝对值。第三个坑是留一交叉验证在小样本下的方差。24个样本做留一每次训练集只有23个模型的稳定性受单个异常样本的影响比大样本明显。处理方式是记录24次验证中每次的残差如果有某一个样本的残差远大于其他样本回查该小区对应的无人机影像和产量记录确认是否存在数据采集异常。线性混合模型对油菜这种立体结构作物只是近似描述冠层阴影、植株重叠、双向反射分布函数效应都会引入解混误差。后续改进方向是在特征提取阶段引入非线性解混或辐射传输模型让端元丰度的物理意义更接近真实的器官面积比例。本文还有配套的精品资源点击获取